一种适用于输电导线检测装置的快速检测方法与流程

1.本发明涉及一种适用于输电导线检测装置的快速检测方法。


背景技术：

2.随着高压输电工程的快速发展，输电线路运行状态对电网的影响日益突出。通过在线监测装置获取输电线路状态参量，对输电设备的状态评估、维修策略及维修计划具有重要意义。目前，输电线路在线监测装置在电网中已得到了初步应用，与输电线路状态检修相关的静态数据及定期检测获得的测试数据大部分已实现计算机管理。然而，随着电网规模的不断扩大，目前的输电线路监测装置存在分散配置、管理困难，互不关联、信息无法整合、系统庞大及资源浪费等问题，对输电线路实时运行状态的监测越来越困难。同时，输电线路的运行状态和故障信息随着环境和输电线路的运行状况不断的变化，而输电线路大多位于通信能力较弱的地域，无法将监测数据实时送回主站，导致输电线路运行状态和故障隐患的不可预知性与大电网安全稳定运行的矛盾日趋突出。
3.一些研究采用传统的数字图像处理方法来实现导线检测。传统的方法利用导线的灰度值、边缘轮廓等浅层特征对图像像素进行处理，并结合hough变换等提取导线。但往往由于户外图像背景复杂，树枝、栅栏、建筑物边缘的轮廓和灰度值与导线相似，会对导线检测结果产生干扰，使得检测结果变差，难以广泛应用。近年来，以深度卷积神经网络 (dcnn)为代表的人工智能方法快速发展，在图像分类和识别等方面取得很大的成果。 dcnn可以自动提取特征，适应复杂多变的场景，目前已经用于许多电力设备的识别与故障检测，如杆塔、绝缘子等。由于图像中导线细长的特点，基于dcnn的导线检测算法相当于对导线进行语义分割，实现像素级别的分类。
4.目前，语义分割算法被用于许多图像处理领域，如遥感图像分割、裂缝识别、烟雾区域分割等方面。已经有学者将语义分割网络应用于导线检测中，因其能够挖掘更深层次的目标特征，在导线检测上取得了良好的效果。最新的语义分割网络deeplab系列网络结合dcnn和概率图模型densecrfs，取得了比dcnn更好的检测精度。随后，谷歌公司采用解码器进一步改进deeplab v3，并在空间金字塔池化结构和解码器部分引入深度可分离卷积降低网络的计算复杂度，获得目前效果最好的语义分割网络deeplab v3+网络。


技术实现要素：

5.本文将语义分割算法应用于输电导线检测，基于全卷积网络设计实现了一种输电导线自动检测方法，该方法对目标的位置和细节信息敏感，能够实现输电导线的初步分割。本发明的实现步骤包括：
6.1.1基于全卷积网络的导线提取
7.本文采用全卷积网络提取输电导线，在深度特征上采样阶段融合膨胀卷积，并进行多尺度融合，减少池化层带来的信息丢失，并加入条件随机场对目标边缘像素进行判别，优化分割效果，提升分割精度。
8.目前，cnn主要由卷积层(convolutionallayer，conv)、池化层(poolinglayer，pooling)、全连接层和softmax分类器层组成。全卷积网络把cnn的全连接层改成转置卷积层，也称反卷积层(deconvo-lutionallayer，deconv)。fcn以vgg网络为基础，提取目标特征，其中前5个大层是卷积层和池化层，第6-7个大层为转置卷积层。卷积层依次把输电线路航拍图像与卷积核进行卷积操作，提取不同目标的特征，形成特征图。池化层对输电线路的特征图进行降维，获得更大的感受，使模型学习全局信息，减少模型整体及后续层所需参数，缩短训练时间。每次经过卷积和池化层操作后，特征图分辨率会分别降低为原来的1/2、1/4、1/8、1/16、1/32。低层特征趋向于目标的局部和细节，高层特征侧重于语义组合，把第5层特征图直接上采样32倍放大为原图大小时，局部和细节特征丢失，导致航拍图像目标分割精度受到影响。fcn通过跨层连接、转置卷积操作后，利用双线性差值，融合第3层、第4层的浅层特征，将更多的细节信息分别进行上采样用于预测最后的分割结果。
9.1.2提取结果优化
10.采用语义分割算法得到的导线分割结果，有少量背景噪声，存在断裂的情况，并且一些断裂导线的长度与背景噪声的长度差距不大，若直接采用长度阈值法去除背景噪声，会将部分断裂导线当成背景噪声去除。因此，在去除噪声前，对分割结果进行断点连接。
11.1.2.1断点连接
12.针对最小点对法容易出现错误连接的问题，本文提出一种基于改进的最小点对法的断点连接算法，在进行断点匹配时增加一个约束条件：共线约束条件。改进的连接算法主要分为4个步骤：
13.(1)骨架化。采用一种迭代细化算法对导线进行骨架化，获得单像素的导线骨架图，结果如图3所示；
14.(2)断点搜索。通过步骤1)获得单像素的骨架图，对骨架图中的每一个像素点，判断是否为断点。判断准则：如果该像素点为前景像素，且该像素的八邻域有且只有一个前景像素，则认为该像素点为断点；
15.(3)断点匹配。如图4所示，对于骨架图中的每一个断点b，搜索与之匹配断点c，判断是否满足以下匹配准则：
16.a)最小距离准则。b为当前断点，其所在线段的另一个端点为a(也是断点)，同理c和d是断点，也是另一条线段上的两个端点。假设为两断点之间的距离阈值为d
1 d1，断点b和c之间的欧式距离为d
bc
d
bc
。如果d
bc
d
bc
＜d1＜d1，则满足最小距离准则，继续判断是否满足共向准则；
17.b)共向准则。θ是两条线段所在直线之间的角度阈值，分别计算线段ab及cd与 x轴的夹角θ
ab
θ
ab
和θ
cd
，如果|θ
ab-θ
cd
|＜θ|θ
ab-θ
cd
|＜θ，则满足共向准则，继续判断是否满足共线准则；
18.c)共线准则。d2为点到直线距离阈值，分别计算断点c和d到直线ab的欧式距离d
c
和d
d
，如果同时满足d
c
＜d2d
c
＜d2和d
d
＜d2d
d
＜d2，则认为满足共线准则，断点 b和c匹配，进行断点连接；
19.(4)断点连接。由于输电线路图像中导线基本呈现直线状态，且导线断裂部分不影响导线总体状态，因此可以采用直线连接步骤3)匹配到的两个断点。
20.1.2.2去除背景噪声
21.通过连接算法对骨架图中的断裂导线进行连接，然后采用长度阈值法去除图中长度较短的背景噪声。通过八方向搜索法统计线段长度，具体实现步骤如下：
22.(1)线段长度length初始化为0；
23.(2)确定线段的起始像素，其八邻域内有且只有一个前景像素(灰度值为255)；
24.(3)在当前像素的八邻域内搜索下一个前景像素，若搜索到，线段长度length加1，并更新到下一个前景像素，同时将当前像素标记为128，防止重复搜索；
25.(4)重复步骤3)直至当前像素的八邻域内没有前景像素，到达线段终点；
26.(5)判断该线段的长度是否小于阈值，若小于，则认为该线段为背景噪声，在检测结果中去除，否则保留。
27.1.3导线编号
28.获得导线检测结果图后，还需要分离出每条导线。基于优化处理后导线骨架图，采用八方向搜索法进行分离，分离后对导线编号，结果如图5所示。具体实现步骤如下：
29.(1)导线编号n初始化为0；
30.(2)搜索优化后骨架图中所有断点(此处指导线的端点)，加入端点集s中；
31.(3)取出s中的第一个端点记为a1a1，采用八方向搜索法搜索其所在导线的另一个端点记为a2a2，导线编号n加1，并在原图中标注导线号码；
32.(4)将端点a1和a2从s中去除，更新端点集s；
33.(5)重复步骤(3)和步骤(4)，直至端点集s为空。
34.本发明与现有技术相比具有以下优点
35.本发明针对目前的导线检测算法精确度不高、泛化能力差等问题提出一种基于语义分割技术的导线检测算法。该算法对细节和位置信息敏感，能够实现导线的自动检测，且分割精度较高；针对检测结果中出现的导线断裂的问题，提出一种改进的最小点对法，实现断裂导线的连接，同时采用长度阈值法去除背景噪声。实验证明，该方法能够自动实现导线的准确检测。
附图说明
36.图1是本发明的实现流程图
37.图2是全卷积网络结构图
38.图3是骨架图
39.图4是断点连接准则图
40.图5是导线编号结果图
具体实施方式
41.下面结合附图对本发明做进一步描述。
42.参照图1，本发明的具体实施步骤如下。
43.步骤一：通过装置采集输电线路导线图片，设计全卷积神经网络对采集到的图片进行语义分割，从背景中提取出导线，并输出分割的导线图片，包括以下子步骤：
44.(1)通过15个卷积层，5次下采样，得到原图1/8、1/16、1/32大小的特征图；
45.(2)对原图1/32大小的特征图上采样放大2倍，然后和原图1/16大小的特征图累
加；
46.(3)将上述累加得到的特征图上采样放大2倍，然后和原图1/8大小的特征图累加；
47.(4)将步骤(3)得到的累加图上采样放大8倍，然后将得到的特征图还原到输入图像大小；
48.(5)将步骤(4)得到的图片中的每个像素进行分类预测，输出语义分割的结果。
49.步骤二：对导线分割的结果进行断点连接，常用的断点连接方法有：最小点对法和膨胀细化法。由于膨胀的次数与断点之间的距离有关，因此当断点之间距离较远时不能采用膨胀细化法。最小点对法容易出现导线错误连接的情况，导致不在同一条导线上的断点连接到一起，并且当断点之间距离较远或相邻导线之间距离较近时，这种情况发生的可能性更大。针对最小点对法容易出现错误连接的问题，本文提出一种基于改进的最小点对法的断点连接算法，主要包括骨架化、断点搜索、断点匹配、断点连接四个步骤。
50.步骤三：采用长度阈值法去除图中长度较短的背景噪声。通过八方向搜索法统计线段长度，具体实现步骤如下：
51.(1)线段长度length初始化为0；
52.(2)确定线段的起始像素，其八邻域内有且只有一个前景像素(灰度值为255)；
53.(3)在当前像素的八邻域内搜索下一个前景像素，若搜索到，线段长度length加1，并更新到下一个前景像素，同时将当前像素标记为128，防止重复搜索；
54.(4)重复步骤(3)直至当前像素的八邻域内没有前景像素，到达线段终点；
55.(5)判断该线段的长度是否小于阈值，若小于，则认为该线段为背景噪声，在检测结果中去除，否则保留。
56.步骤四：对导线进行编号，获得导线检测结果图后，还需要分离出每条导线。基于优化处理后导线骨架图，采用八方向搜索法进行分离，分离后对导线编号，结果如图5所示。具体实现步骤如下：
57.(1)导线编号n初始化为0；
58.(2)搜索优化后骨架图中所有断点(此处指导线的端点)，加入端点集s中；
59.(3)取出s中的第一个端点记为a1a1，采用八方向搜索法搜索其所在导线的另一个端点记为a2a2，导线编号n加1，并在原图中标注导线号码；
60.(4)将端点a1和a2从s中去除，更新端点集s；
61.(5)重复步骤(3)和步骤(4)，直至端点集s为空。
62.实施效果
63.采用本文提出的导线优化处理方法，优化改进的fcn检测结果，并对13张图像中导线的提取情况进行统计。由实验结果可知，本文的提取方法，能够实现90％以上导线的正确检测，且提取的导线更加完整。
64.上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。